基于相关熵诱导损失的深度颗粒物浓度预测模型
机器学习
2021-09-02 v2 机器学习
应用统计
摘要
由于颗粒物(PM)浓度对人类生活具有强烈的负面影响,预测韩国颗粒物浓度已变得十分紧迫。在大多数统计或机器学习方法中,均假设数据独立同分布,例如高斯分布;然而,空气污染和天气数据等时间序列并不满足该假设。本研究将回归的最大相关熵准则(MCCR)损失用于分析空气污染与天气数据的统计特征。由于空气污染和天气数据具有复杂的季节性模式,且即使在去季节化后数据仍呈重尾分布,因而对其进行了严格的季节性调整。MCCR损失被应用于多个模型,包括传统统计模型与最先进的机器学习模型。结果表明,在预测极值方面,MCCR损失比传统的均方误差损失更为合适。
引用
@article{arxiv.2106.03032,
title = {Deep Particulate Matter Forecasting Model Using Correntropy-Induced Loss},
author = {Jongsu Kim and Changhoon Lee},
journal= {arXiv preprint arXiv:2106.03032},
year = {2021}
}
备注
J Mech Sci Technol 35 4045-4063 (2021)